自动文档识别软件中文字增强和字符分割程序的设计

1、自动文档识别软件中文字增强和字符分割程序的设计一、 任务说明首先能够对位图形式的文档文件进行二值化、去噪声、斜度校正等图像增强处理，然后对提取出的字符版块进行行列切分。二、 设计方案采用VC编程软件设计一个自动文档识别仿真软件界面，采用切分窗口，将处理图像文件的过程清楚的展现出来，直观的显示字符识别的过程。三、 材料设备PC机、VC+6.0四、 综合总结1二值化二值化就是为了使整个图像呈现出明显的黑白效果，而让图像上的所有点的灰度值只用两种可能，不是“0”就为“255”。二值化的最终目的应为：原图像中反映图像结构的灰度值差别经映射后被保留，而不反映图像结构的灰度值抖动被消除，从而最终得到的只是

2、构成字符图像的关键信息。二值化的关键步骤是确定阈值，而确定阈值主要分为两种方法：定阈值法和自适应阈值。其中定阈值法思想简单，实现起来也比较容易。选一个经验灰度作为叛变门限如“128”，高于这个值的就认为是“255”既白色，低于这个值就认为是“0”既黑色。但这种办法局限性大，使用面窄。现实应用中，文件中的颜色千差万别，用定阈值的方法可能得到的结果就是黑黑的一片或者白茫茫一片。所以自适应的阈值选定法得到了更为广泛的应用和研究，算法专家学者提出了许多，但是跑不出一个重要的关键点那就是对直方图的应用。直方图是一种集合图形表，是根据图像中各个灰度的点的数量分布情况，以组距为底边、以频数为高度的一系列连接

3、起来的直方型矩形图。实际上就是利用了统计的思想，统计的越详细越好确定这个最优阈值。如图1所示，一般图像的得到的统计图如下图所示。可以看出较黑的部分和较白的部分中间行成了一个波谷，这个波谷的值就是阈值的最佳值。实际上自适应的方法全部是基于统计学的结果，其他的方法和这个类似。图1 双峰直方图2平滑去噪在图象的生成或传送的过程中，由于种种原因会包含物理上的噪声。当能够对这种噪声的产生机理进行数学上的模型化时，可以采取对应其模型的消除噪声的方法，但当不能进行模型化时，通过平滑（smoothing）使图像变得容易观看。平滑滤波技术用于平滑图像中的噪声，一般在空间域中进行，基本方法是求象素灰度的平均值或中

4、值。在3X3邻域平均法去噪中，对于给定的图像.f(x,y)中的点(m,n)，取其邻域S;设S含有M个象素，取其平均值做为处理后所得图像点(m, n)处的灰度;用某象素邻域内各象素灰度平均值来代替该象素原来的灰度，即是邻域平均技术。邻域S的形状和大小根据图像特点来确定，一般取正方形、矩形或十字形等。S的形状和大小可以在全图处理过程中保持不变，也可以根据图像的局部统计特征而改变。点(m, n)一般位于S的中心。如3X3邻域，点(m, n)位于S的中心，则: (1.1)噪声与图像信息g(x,y)无关，含噪声图像f(x,y)可表示为: f(x,y)=g(x,y) +n (x,y)假设噪声n是加性噪声，

5、在空间各点互不相同，且期望为0，方差为,g是未受污染的图像，含有噪声的图像f经邻域平均化后为: (1.2)由上式可知，经过邻域平均之后，噪声的均值不变，方差变为,既噪声方差变小，说明噪声强度减弱了，即抑制了噪声。由上式还可以看出，邻域平均法也平滑了图像信息，特别是可能使图像目标区域的边界变得模糊。可以证明，对图像进行邻域平均处理相当于使图像信号通过一低通滤波器。下面的图2、图3可以看到滤波的效果。可以看到图2中的一写麻麻点点，基本上都消失了，图像显得更为清晰方便观看。图2 滤波前图3 滤波后3斜度矫正在由光输入设备得到文档图像的过程中，不可避免的会出现倾斜，因此一个好的OCR系统必须有倾斜校正

6、的功能，使系统能够忍受一定程度的倾斜。倾斜校正的过程由两步组成，第一步是对图像的倾斜角进行检测，第二步是根据检测到的倾角对图像进行旋转变换，使图象的倾斜得到校正。首先根据旋转的角度、图像对角线的长度计算旋转后的图像的最大宽度、高度，根据旋转后图像最大的宽度、高度生成新的缓冲区，假设图像的左上角为（left, top）,右下角为（right, bottom），则图像上任意点（x, y）绕其中心（xcenter, ycenter）逆时针旋转angle角度后，新的坐标位置（x1, y1）的计算公式为：xcenter=(width+1)/2+left; （1.3）ycenter=(height+1)/

7、2+top; （1.4）x1=(x-xcenter)cos- (y - ycenter) sin+xcenter; （1.5）y1 = (x-xcenter) sin+ (y- ycenter) cos+ ycenter; （1.6）图4 倾斜校正旋转前图5 倾斜校正旋转后从这两张图的对比中可以知道，图像旋转之后尺寸是要比原图大的。这样做的好处是旋转后没有丢失任何信息。而与图像的镜像变换相类似，把原图中的象素值读入新缓冲区的(x1，y1)点处。在新缓冲区中与原图没有对应的象素点的值用白色代替。4版面分析版面分析实际上是个很复杂的环节，许多内容都可以包含到其中。是将扫描得到的图像，划分出每一个区域块。对于各个不同的区域块，也就是划分出我们所要识别的图像中文字所在的区域范围。版面分析分为自动版面分析和手动版面分析。简单的图像版式建议使用自动分析，报刊等复杂版式建议采用手动分析，以免遗漏所要识别的文字。而进行了大范围划分之后，就要进一步的把板块中的图与字分开了。并且要把字的行与行之间分割开来，这就是所谓的行分切。行分切后，接下来的就是字分切